一、引言

在“新基建”和“数字化转型”背景下，人工智能为经济发展提供底层支撑并在制造、金融、通信、医疗、物流、交通、教育、农业、媒体、防疫等各个产业领域衍生出大量实际应用场景。这也意味着，在这些应用场景下与产品或服务相关的业务合同中，需要使用AI技术完成一定的开发或服务任务，实务中此类合同通常被视为基于AI技术的合同（以下简称AI技术合同）。

基于AI技术的特点，与传统合同，尤其与传统软件开发或服务合同相比，AI技术合同呈现出许多新的法律问题。例如，交付成果的性能难以预先确定、对大数据有极强的依赖、主要利益体现为知识产权，在涉及数据、开源等业务场景下，知识产权权益及各种无形资源的使用规则相互交织、错综复杂。对于这些新问题，立法层面尚没有制定专门的法律法规，司法实践也还没有积累足够的在AI技术合同谈判、起草、审查和纠纷解决中可遵循的具有确定性和可预见性的规则。

2018年，日本经济产业省发布《人工智能与数据利用合同指南》（以下简称《AI合同指南》）更新版本。该《AI合同指南》基于AI技术的特点介绍了基于AI技术的开发或服务合同中合同双方关注的主要问题，以及订立合同时应考虑的因素，并提供相应的示范合同。国内有实务界人士对该《AI合同指南》的部分内容做了翻译和介绍。[1]虽然《AI合同指南》基于日本民法对相关问题进行了分析和探讨，但基于技术的通用性，对我国AI技术合同实务具有一定的学习和借鉴价值。

本文基于实践问题，结合《AI合同指南》启示，首先简要介绍AI技术特点以作为起草和审查AI技术合同的知识准备，然后在分析AI技术合同特点的基础上提出起草和审查合同的基本方法。

二、法律视角下人工智能的技术特点

理解业务内涵、流程和特点是合同双方进行业务合作的基础，也是律师起草和审查各类业务合同的基础。AI技术的特点虽然不能直接决定AI技术合同双方之间的权利义务关系和法律责任负担方式，但它们是合同双方高效协商商务流程、评估法律风险的基础，也是律师在合同中明确业务流程、配置双方权利义务、规避法律风险，以最大限度地促使合同顺利签署和执行所需要着重考量的因素。

（一）

AI技术的一般开发和应用流程

AI技术通常是指以软件形式使得机器能够执行人类大脑可以执行的分析、归纳和推理等智力活动的技术。在本文主题下，AI技术主要是指使用数据（应用场景）对模型进行训练（学习）使其获得一定的知识（规则）进而可以针对新数据进行推理（决策）的软件开发技术。如下图所示，《AI合同指南》将AI技术开发分为模型训练和模型使用两个阶段。[2]

模型训练阶段的主要工作是使用训练数据对待训练程序（training programs）进行训练，使其成为具备一定分析、归纳和推理能力的训练后模型（trained models）。训练模型时，由待训练程序执行一定的算法（即训练方法），从训练数据集中归纳出某些规则并生成表达这些规则的训练后模型。神经网络和机器学习是当前使用广泛的模型和模型训练方法。在使用阶段，训练后模型基于所述规则对新输入数据进行推理或预测并输出一定的结果。训练数据和新输入数据均是具体应用场景下数据，训练数据是模型训练阶段为了学习已经处理过的数据，新输入数据是模型使用中处理的此前未曾处理过的数据。例如，合同需求方需要一款能够识别各类常见动物的智能装置，在模型训练阶段，合同技术方使用大量的训练数据（例如各类动物的图片）对神经网络进行训练（学习），使其归纳出识别各类动物的规则（具备知识和决策能力），在模型使用阶段，当传感系统采集到各类动物实物时，训练后的神经网络可以根据此前训练获得的规则推理出传感器中出现的物体是不是动物，是哪种动物（基于知识和新数据进行决策）。在实践中，模型训练和模型使用有可能会反复。在模型使用阶段，如果发现训练后模型的输出结果不理想或需要训练后模型处理之前在训练阶段未曾预期的事件，通常会使用在模型使用阶段收集和积累的数据对模型进行再训练以提高模型的推理性能和精度。例如，训练后模型将猫识别为狗的概率较高，则需要针对识别猫的能力进行再训练。

虽然《AI合同指南》将AI技术开发分为模型训练和模型使用两个阶段，但在更多的业务中，还涉及其他开发内容，例如还需要开发数据预处理或管理、信息输出或可视化、系统操作等模块并与模型集成后部署在网络上组成面向使用者的智能系统。这些工作与模型训练和模型使用紧密相连，属于同一项目中的开发内容。

（二）

AI技术相对于传统软件的开发特点

AI技术开发通常以AI软件形式开发、部署、交付或实施。基于上述AI技术开发和应用流程，本文认为，与传统软件开发相比，AI技术开发呈现以下新特点：

1、模型是核心

如前所述，AI技术应用于具体应用场景的重要环节是模型开发和模型训练。使用大量的数据对待训练模型进行训练，使之归纳出处理新数据的规则，即通过学习知识使得待训练模型成为具有推理和决策能力的训练后模型，从而实现智能化。这一过程通常被视为归纳推理过程（inductive reasoning）。而在传统软件开发中，数据处理规则已经由研发人员事先设计确定，处理结果也可以预测，软件编程仅是对已有规则的代码化，不涉及模型构建和训练。这一过程通常被视为演绎推理过程（deductive reasoning），[3]演绎推理可以实现自动化，但AI技术意义上的智能化程度较低。实践中，待训练模型或训练后模型有可能直接采用开源软件，也有可能为特定目的而独立开发。

2、数据是关键

数据与AI软件开发有密切的内在联系，数据意味着训练模型的学习对象和应用环境。例如，开发一套投资风险评估系统使用的数据是各类公司的财务、商务数据，开发一套流行病传播预测软件使用的数据是该流行病及其传播的各项数据。为了获得高准确度、具有性能竞争力优势的AI软件，需要大量高质量的训练数据。训练数据包括原始数据（Raw data）和训练数据集（Training datasets）。原始数据（Raw data）是指需求方或开发方直接使用数据采集器采集并可以由计算机读取和存储的数据。例如使用传感器、相机等采集并存储的数据。在大多数情况下，由于原始数据包含数据噪声等并不适合直接用于模型训练，需要对原始数据进行处理，生成适合于模型训练的训练数据集（Training datasets）。例如，在商业数据可视化中，需要对来自不同业务系统的表格类数据进行数据对齐。因此，在AI软件开发中数据获取和数据预处理的工作量占比相当高。数据形式包括语音、图像、视频、表格、文档、字符和数值等。而传统软件开发中，没有模型训练过程，不需要使用基于大数据的训练数据集，只在实际使用阶段对需要处理的数据进行处理。实践中，训练数据有可能是需求方或技术开发方提供，也有可能由需求方或技术开发方通过第三方获得。

3、算力是基础

算力通俗地讲就是处理数据的计算能力。AI机器完成每一次人脸识别、每一次语音文字转换，都需要硬件的算力支持，尤其在模型训练阶段。而算力部署方式往往又关系到AI软件的部署方式。传统算力以数据中心、服务器承载为主，而随着云服务和云、边、端一体化技术的发展，将实现“算力泛在、算网共生”的算力网络。[4]目前AI系统常采用的是云计算和云部署，以此延伸出IaaS（基础设施即服务）、PaaS（平台即服务）、DaaS（数据即服务）、SaaS（软件即服务）等服务形式。传统软件对算力要求低，通常是本地计算机或服务器部署。实践中，算力资源由技术开发方或专业第三方提供，部分需求方也会自行部署算力资源。

三、AI技术合同的特点

当前述AI技术特点反映在AI技术合同中并从合同草拟或审查的法律角度审视时，AI技术合同与传统软件开发合同相比，呈现以下特点：

（一）训练模型的性能事先难以量化、事后难以验证寻因，开发和验收标准在签署AI技术合同时难以明确，研发成果出现争议时难以归

在传统的软件开发中，开发的基本任务是将数据处理过程描述为一套特定的流程，并对该流程进行编码。数据处理规则已经由需求方或开发人员事先确定，基于数据处理规则的结果相对容易预测。即使对于在开发阶段未曾处理过的未知输入数据，也可以提前提供一定级别的性能保证。[5]因此，在传统软件开发合同中，需求方和开发方通常会约定较为明确的软件性能等技术指标，以此作为开发和验收依据。而AI技术开发中，如前所述，模型训练是归纳推理过程，即涉及使用训练数据集进行规则归纳（知识学习）又涉及面对新数据进行推理（知识决策）。在现有AI技术条件下，即便对于经验丰富的AI开发人员来说，在具体进行技术开发之前也很难预测是否有可能从训练数据集中生成令人满意的数据处理规则。此外，训练后模型对未曾处理过的新数据的处理行为也有可能是不清楚的。[6]这使得在AI技术开发的初始阶段很难用量化的指标预测训练后模型的性能。

在传统的软件开发中，如果没有获得预期性能，通常可以通过重复验证或调整数据处理流程来寻找和确定原因。这样可以针对原因采取适当的调整措施来获得性能令人满意的软件。而在AI技术开发中，训练模型处理数据的规则基于统计学的归纳原理形成。当训练模型对新数据的推理结果没有达到预期的性能或精度时，研发人员很难确定，原因究竟是训练数据集的数量和质量问题，还是模型参数的设置问题，抑或是程序代码中存在错误。[7]因此，很难基于事后验证来调整出一种有效的训练模型方法，使得训练后的模型可以具有令人满意的性能。

在签署AI技术合同时提前预测和保证技术性能在技术上存在困难，体现在AI技术合同中，就难以用量化指标约定交付成果的性能或技术指标。而需求方和开发方之间又非常容易就此出现认识差异，导致在交付验收阶段容易就交付物是否符合验收标准产生争议。又由于事后难以验证寻因，很难确定各方是否具应当向对方承担违约责任。

（二）训练模型的性能很大程度上取决于训练数据集的数量和质量，如何在AI技术合同中调整各方基于数据生产的利益和风险相对困难

模型训练基于训练数据集的统计特性进行，从理论上讲，模型训练时和模型推理时的概率分布应当是相同的，但实际上训练时和推理时的概率分布可能会发生显著变化，此时训练模型难以正常发挥其预期作用。另外，也不可能从训练数据集中完全消除统计偏差。因此，即使训练程序本身没有缺陷，由于训练模型反映了训练数据集的统计属性，此时生成具有满足用户性能要求的训练模型也是相当困难的。[8]例如，如果训练数据集包含了不反映内在统计属性的数据，或者训练数据集具有较大的统计偏差，使用这样的训练数据集往往难以生成具有高精度要求的训练模型。因此，训练模型的性能很大程度上取决于训练数据集的数量和质量。

在需求方提供训练数据的情况下，需求方倾向于认为他们对训练模型的获得具有较大的贡献，有可能对训练模型要求更多的权益。另外，需求方提供的数据可能涉及客户信息、生产管理和技术数据或者是商业运营数据等，这些都是具有极高经济价值、能为需求方带来市场竞争优势的数据。需求方往往会担心，将此类数据提供给开发方将面临数据或商业秘密泄露风险，还有可能违反保密义务或个人信息保护义务的法律风险。而开发方则更多地希望能够将使用需求方数据训练获得的训练模型提供给需求方以外的第三方使用，以保持业务的灵活性。另外，开发方往往认为没有必要担心数据泄漏，通常很难从训练模型或训练模型包含的训练参数中反推出所使用的训练数据。在需求方难以获取足够数量的训练数据，或者不具有将原始数据加工为训练数据集的能力的情况下，双方就上述问题立场和要求可能会发生反转。因此，如何在AI技术合同中调整基于数据生成的利益和风险承担变得困难。

（三）专有技术在AI技术开发中发挥更为重要性的作用，如何制定专有技术的保护和利用规则是AI技术合同的重要内容之一

《AI合同指南》特别强调专有技术在AI技术开发中的重要作用。在生成和使用训练模型的过程中，会使用各类专有技术。例如，原始数据的采集和选择方式，生成训练数据集的方法，执行训练程序时超参数的设置方法、训练方法、训练模型调整方法等。对于开发方来说，重复试验和试错是提升模型精度的常用方法，在此过程中，专有技术很可能作为隐性知识积累起来，最终体现为开发方的经验和能力。对于需求方来说，如果每天处理类似数据，其可能拥有关于数据的专有技术。例如，是否在训练数据集中合并一个罕见事件或者将这个罕见的事件视为噪音从训练数据集中删除，这些正是基于需求方应用场景产生的专有技术。

因此，AI技术开发中需求方和开发方的专有技术都有可能涉及，且对最终生成的训练模型的性能有着显著影响。这些专有技术是传统软件研发中所不具有的，如何明确这些新型专有技术的范围，如何调整、规范相关专有技术的披露、保密和使用规则，是AI技术开发合同重要内容。

（四）是否能够对训练数据集和训练模型等进一步重复利用是合同双方积极争取的重大利益

在AI技术开发获得的技术成果中，除了最终交付给需求方的程序或系统外，还生成了可以单独分割使用的训练数据集和训练模型。由于可以通过改变参数来提高这些训练模型的准确性或将它们用于其他应用目的，与传统程序相比，训练数据集和训练模型更容易被复用于其他项目开发或其他商业目的。[9]因此，开发方希望重复使用训练数据集和训练模型，以作为新技术开发和新业务开发的基础。而需求方通常认为，其已经为模型训练和开发支付了不菲的开发费用，有可能还提供了数据，其对训练数据集和训练模型理应掌握主动权，如果训练数据集和训练模型被开发方提供给竞争对手，对需求方的市场竞争会产生根本性影响，因此，需求方会有强烈的动机去限制开发方复用训练数据集和训练模型。在有些情况下，例如技术开发方提供了训练数据、需求方支付的对价相对较低时，技术开发方可能会限制需求方将训练数据集和训练模型用于其他目的或项目。

简言之，鉴于是否能够复用训练数据集和训练模型对合同双方后期业务具有重大意义，在合同谈判和审查中双方均会积极争取。

（五）在商务谈判、起草和审核AI技术开发合同时，需要考虑因素众多，综合性强

如前所述，AI技术中，开发或使用具有特定功能的训练模型是核心，数据收集和利用是关键，算力是基础。因此，在AI 技术合同中不仅仅包括AI软件的开发和利用，还包括与数据获取、预处理相关的事项以及云资源配置、供应以及软件部署等事项。数据获取、预处理不仅涉及合同双方的权利义务关系，还涉及合同双方各自的数据合规管控，而软件部署模式与需求方最终的数字化商业模式或数字化经营管理模式有着密切联系。因此，在商务谈判、起草和审核AI技术开发合同时，需要考虑多种因素并作出妥善安排。另外，AI技术开发中可能会采用技术开发方已有训练模型（即重复利用模型）、第三方软件或开源软件以避免重复开发。此时，体现为重要利益的知识产权呈现多样性，相互之间盘根错节，如何在尊重他人知识产权的基础上保障自己的商业利益和相关无形资源使用权利，需要抽丝剥茧、精细设置合同条款。

综上，AI技术合同与传统软件开发合同相比，呈现诸多新特点，这些新特点使得需求方和开发方在众多问题上会持有不同的立场，且各有正当理由。如何基于AI技术合同的特点以及现有法律规则和实践经验，在平衡各方利益和诉求的基础上尽快促成合同签署并降低合同签署后发生争议的概率是合同双方及其律师应当考虑的问题。

四、起草、审查AI技术合同的基本方法

在总结AI技术特点和AI技术合同特点的基础上，本文结合实践经验，为AI技术合同谈判、起草、审查提供思路。

（一）采取探索性、多阶段开发模式，并基于各阶段的工作目的、内容、交付成果及相关利益逐次展开和明确双方之间的权力义务关系和风险分担方式

《AI合同指南》基于训练模型性能难以预测的特点提出一种“探索性、多阶段”的开发模式并为各阶段配置不同的合同模板以明确双方的权利义务关系。“探索性、多阶段”的开发模式下包括以下几个工作阶段：

-项目可行性评估阶段；

-概念验证阶段（PoC，Proof ofConcept）；

-训练模型和软件系统开发阶段；

-模型再训练阶段。

上述各阶段的主要目标、工作内容、交付成果和建议采用的合同模式归纳如下：[10]

《AI合同指南》指出，采用这种“探索性、多阶段”的开发模式将AI技术开发分为多个阶段逐步展开，合同双方可以在各阶段逐步评估和确认通过AI技术实现需求方功能要求的基础、可能性和性能预期结果，最大限度地促使双方通过逐步评估和对话迈向最终目标。这种“探索性、多阶段”的开发模式还可以容纳符合AI技术的反复试错开发模式，可以使得双方就最终能够实现的性能指标达成一致认识。另外，当双方在当前阶段发现难以生成具有足够性能的训练模型的预期时，双方可以停止后续阶段的工作，防止损失进一步扩大，并合理分配研发失败的风险。

“探索性、多阶段”开发模式并非《AI合同指南》首创，我国实践中，投资较大或管理相对规范的项目在正式实施之前均会包括可行性评估和预研等工作。但是，《AI合同指南》将各阶段的工作内容、交付成果性能指标和验收标准以及相关利益通过依次递进的多个阶段逐渐明确并转化为双方之间的权利义务关系和风险承担方式，值得我们借鉴。实践中，部分可行性报告或预研活动仅仅作为一种业务环节，更多地用于从定性角度确定项目是否可继续推进，基于可行性研究或预研活动本身，双方产生何种法律关系、需要规避何种法风险、能否作为双方分担风险的依据，能否逐渐明确性能定量指标或评估方法，支付价款与工作量、交付成果价值之间是否匹配等等均没有深入考虑并转化为合同约定。当双方就相关问题发生争议时，难以找到合同依据或解释合同的依据。

《AI合同指南》虽然将AI技术开发划分为多个阶段并就各阶段提供了合同范本，但在实际业务中这些阶段之间并无明确的界限划分，可以视具体情况简化或突出相应的阶段或者将各阶段事项纳入一个合同文本，重点在于以逐步讨论和确认的方式使得合同双方就具体量化指标、价款支付和风险承担等问题能够达成共识。

（二）

在明确业务流程的基础上设置各方权利义务

合同通常以双方权利义务的形式体现业务流程中的重要环节。AI技术开发要素包括原始数据、训练数据集、待训练程序、训练模型、系统集成、算力资源配置、软件部署等。这些要素之间互相关联进而形成完整的业务流程。一般在AI技术合同起草或审核时，会围绕这些要素和业务流程设置双方的权利义务关系。实践中，业务流程经常被视为商务性事务，不是法律事务，因此应由商务人员审核而不是法律人员审核。本文认为，业务流程如何操作确实应当尊重商务人员的意见，但商务人员较难将业务流程转化为法律条款，如果法律人员不基于业务流程设置双方的权利义务，往往导致双方权利义务与业务流程不匹配或难以服务于业务流程。实践中，以下几方面现象充分说明这一问题：

第一，需要花费大量时间和精力对原始数据进行预处理获得训练数据集，在需求方提供数据的情况下，数据预处理由哪一方处理，需求方和技术开发方如何配合，是最重要的业务流程之一。然而在笔者接触的一些AI技术合同中，双方往往把注意力集中于模型开发上，忽视数据预处理工作承担和流程接续，进而影响合同进展。

第二，在包含云资源和云部署的AI技术合同中，由于开发周期长，在开发前期需要使用的云资源是有显的，但有的项目却约定在合同签署后即刻开通整个项目乃至若干年内所需的使用费用不菲的云资源，不但导致资源浪费，还会引发支付对价与实际开发或服务不匹配的争议。因此，合同确定的云资源和云部署交付义务和对应的价款支付义务应当与开发进度相匹配。

第三，开源文化已经成为开发者的主流文化和开发意识，AI技术的快速发一定程度上得益于开源文化。无论从技术和成本需求，还是文化环境来看，AI技术开发或多或少会使用到开源软件。实践中，AI技术合同关于使用开源软件很少有相关约定，即使有约定，大多也是关于技术开发方应当向需求方说明其采用的具体开源软件及其遵守的开源协议的说明义务。然而，在使用开源软件时会引发如下问题：支付价款是否匹配，开源软件使用方式、软件部署方式是否会触发开源软件的传染性，对软件分发或其他权利是否有影响等。在使用开源协议前，应当设置相应的事先说明和评估程序，而是不在交付成果时的通知性说明。

以上列举的各事项，与业务流程具有密切的联系，如果权利义务设置不当，对双方均有重大影响，因此，在起草、审核在明确业务流程的基础上设置各方权利义务，权利义务构建完善、严密、清晰的业务流程。

（三）通过设置知识产权或无形资源的合理使用规则化解权属主张僵局

在AI技术合同中，各方关注的利益主要集中于数据、程序的权属和利用规则等方面。合同双方有时会因为对数据、程序等所有权归属发生争论而陷入僵局。为此，双方有必要在理解相关权利属性、尊重创造性劳动的前提下，通过合理设置知识产权或无形资源使用规则来确保各方的商业利益。

AI技术合同下，原始数据、训练数据集、训练后参数、输入数据、人工智能产品等均属于数据范畴。我国《民法典》第127条虽然规定数据、网络虚拟财产应当受法律保护，但具体保护形式尚无法律规定，理论界对于是否采取所有权形式保护数据还存在争议。因此，当前来说，所谓数据所有权是一个不确定的概念。数据是一种无形资源，在合同没有约定的情况下，数据除非受《著作权法》或《个人信息保护法》等法律法规的保护，数据持有者可以自由决定其复制、传播和使用方式。但实践中能够受《著作权法》保护的数据非常有限，大量的数据难以构成版权法意义上的作品。《个人信息保护法》规制的信息范围有限，更多是为数据提供者和使用者设置合规要求，较难体现数据收集者和提供者的商业利益。部分数据虽然在收集、预处理和整合等方面投入大量人力和财力，但不一定具有非公知性，无法以商业秘密形式保护。因此，与其抽象地讨论或约定数据的“所有权”，不如在合同中详细规定各方对数据的使用权限和规则，即使数据能够在一定程度上受《著作权法》或《个人信息保护法》的保护，也是如此。

在AI技术开发中，无论是待训练程序、包含训练参数的训练模型，或者是包含训练模型的软件系统均以程序的形式交付、运行或提供服务。程序可以受《著作权法》保护。如果满足专利法的要求，程序所体现的模型或算法还可以受专利法保护。实践中，通常会在合同中约定知识产权所有权归一方所有或双方共有。但为了避免繁琐的谈判或暂时回避矛盾，没有对双方如何利用知识产权做进一步详细的约定。知识产权所有权归一方所有的情况下，另一方仍然有机会和正当理由争取符合其商业利益的使用权。在双方共有的情况下，法律对共有权人权利形式做了原则性规定，难以符合各方复杂多样的商业利益。因此，为了暂时搁置争议而对知识产权所有权做出特别约定并无不妥，但双方仍然可以进一步基于使用目的（使用是否限于合同中规定的开发目的）、使用期限、使用方式（是否允许复制、修改和反向工程）、 许可或转让给第三方的适当性和范围（是否允许向其他公司提供“横向部署”，或是否禁止向商业竞争对手提供）以及利润分配（许可费、利润分享）等因素来设置详细的知识产权和无形资源利用规则，在保证知识产权所有权人安全感的基础上满足各方的商业利益需求。

另外，在交付成果包括第三方享有版权的软件或开源软件的情况下，笼统约定交付成果的知识产权或定制部分的知识产权归属于某一方所有或双方共有，不一定具有充分的法律依据，有可能被认定无效。在此情况下，合理的做法是，在厘清第三方软件或开源软件权属及使用规则的情况下，通过合理的使用规则设置，争取自己一方的商业使用利益。

（四）合同双方在充分理解AI技术特点的基础上约定责任或风险分担方式

在合同执行过程中当某些问题出现时，双方如何承担责任、如何分摊风险是合同谈判、文本起草和审核中的重点事项。AI软件开发较容易发生的争议问题包括训练模型的质量或性能达不到需求方预期设想，训练模型使用过程中输出错误或造成第三方损害等。由于训练模型的质量或性能在签署合同时难以预测，实践中，有些合同采用全有或全无模式来应对由此可能生成的违约问题。例如，合同双方都刻意回避这些问题，笼统约定违约一方承担违约责任，或者处于优势地位的一方要求对方承担全部责任或向对方提出不切实际的要求。这些方式使得合同谈判效率底下，勉强达成合作也很难顺利执行。更为重要的是，此种约定未必有效。例如，在合同没有约定或约定过于笼统的情况下，实践中训练模型及其等输出结果是否可以接受，基本由需求方单方判断。但从目前AI技术水平来看，大多数涉及训练模型的开发或服务都涉及统计学和复杂的业务支持，仅依据需求方的判断来确定由技术开发方承担全部责任依据不足。再如，由于数据对训练模型的质量或性能有相当大的影响，在AI软件基于需求方提供的数据开发时，训练模型的质量或性能达不到预期设想或造成第三方损害时，很难确定是数据问题还是程序问题，[11]也即很难确定各方是否存在违约或存在过错。

实践中，如何基于AI技术性能难以预测的特点公平、合理、有效地设置违约责任或风险分担方式确实是一个棘手的问题。《AI合同指南》提出了一种模糊的解决方案，建议在“探索性、多阶段”开发模式的基础上，将价款支付数额和条件与关键绩效指标、工作量或任何其他类似事件相关联，以平衡需求方和技术开发方的利益。本文认为，《AI合同指南》没有提出如何约定违约责任的建议，而是将价款支付与已取得工作成果数量和质量相结合，是一种退而求其次的替代方法。就开发性能设置违约责任和风险分担方式的根本目的是为了平衡双方利益，防止需求方支付的价款与获得的交付成果不匹配。在没有其他更有效解决方案的情况下，将违约责任转化为价款结算方式，使得价款与交付成果尽量匹配，进而缓解双方的矛盾。此时，如何设置合理的绩效考核指标和方法成为重点。需要注意的是，将性能考核指标与价款关联主要解决的是AI技术性能难以预测的问题，对于其他情形下的违约责任仍需另行设置。

五、结语

本文在简要介绍AI技术特点的基础上分析了AI技术合同的特点，并就起草和审核AI技术合同的基本防范提出一些浅见。如何在合同文本中设置针对性的具体条款，将在后续文章中与大家交流探讨。本文对于非法律人士，例如产品经理等高效、合理协商和安排商务事务也有一定帮助。